En prognos på en minut
Så här har det sett ut länge. För att veta hur vädret blir matar meteorologer in dagens tillstånd i atmosfären i väldiga ekvationssystem som beskriver hur luft, värme och fukt rör sig. Sedan får en superdator mala i timmar för att räkna fram morgondagen. Metoden kallas numerisk väderprognos, och den har blivit stadigt bättre i över femtio år.
Hösten 2023 visade Google DeepMind något som skakade om hela fältet. Deras modell GraphCast gjorde en tiodagars global prognos på ungefär en minut, på ett enda grafikkort, och träffade bättre än den europeiska superdatormodell som varit branschens guldstandard i runt nio fall av tio. Samma räknejobb som förr tagit timmar var plötsligt gjort innan kaffet hann bli kallt.
Den lär sig vädret, inte fysiken
Det märkliga är att GraphCast och liknande modeller inte kan någon fysik. De har aldrig fått en enda ekvation om lufttryck eller värme. I stället har de tränats på fyra decenniers historiskt väder, timme för timme. Modellen har helt enkelt lärt sig mönstret: ser atmosfären ut så här nu, så ser den oftast ut så här om sex timmar. Sedan upprepar den steget om och om igen tills en tiodagarsprognos är klar.
Det är samma grundidé som får en språkmodell att gissa nästa ord. Här gissar modellen i stället nästa väderläge. Och eftersom den känner igen mönster i stället för att lösa ekvationer går det oerhört mycket snabbare.
Det sitter redan i din mobil
Det här är inte längre ett labbexperiment. Det europeiska vädercentret ECMWF, som Sverige är medlem i och som SMHI:s prognoser till stor del bygger på, kör sedan februari 2025 en egen AI-modell skarpt. Den heter AIFS och uppgraderades senast i maj 2026. När du öppnar väderappen och tittar på helgen är det alltså goda chanser att en AI redan har varit med och räknat. SMHI deltar dessutom i ett europeiskt projekt som ska bygga ett gemensamt AI-ramverk för väder och klimat.
Där AI fortfarande vacklar
Men modellerna har en svaghet, och den är viktig. Eftersom de tränats på ett en aning utslätat genomsnitt av verkligheten blir också deras prognoser lite för mjuka i kanterna. De är riktigt bra på de stora dragen, som temperatur och tryck några dagar fram. De är sämre på det extrema och lokala.
Studier har visat att AI-modellerna systematiskt underskattar rekordvärden, alltså de allra värsta värmeböljorna, kylknäpparna och stormvindarna. De missar också ofta de intensiva, lokala skyfall som ställer till med översvämningar. Just på kraftigt regn de närmaste timmarna är de gammaldags fysikmodellerna fortfarande bättre. Nyare AI-modeller har börjat bygga in fysikaliska spärrar för att komma åt problemet, ett slags kompromiss mellan de två världarna.
Kan du lita på en svart låda?
Kvar finns en obekväm fråga. En fysikmodell kan en meteorolog i princip följa steg för steg. En AI-modell är en svart låda. Den ger ett svar, men kan inte förklara varför. Så länge det handlar om att välja jacka spelar det ingen roll. När en prognos ska ligga till grund för att evakuera inför en storm blir förtroendet för svaret plötsligt lika viktigt som svaret självt.
Det är kanske det mest tankeväckande i hela skiftet. För första gången på länge förbättras väderprognosen inte främst genom mer fysik och större datorer, utan genom att en maskin har lärt sig känna igen hur himlen brukar bete sig.
Vill du fräscha upp vad modellerna faktiskt räknar på, se hur vädret byggs av sol, tryck och vind.
Källor
- Google DeepMind, "GraphCast: AI model for faster and more accurate global weather forecasting" (deepmind.google) - ECMWF, "AIFS – Machine Learning data" (ecmwf.int) - SMHI, "Forskningsprojekt skapar AI-plattform inom väder och klimat" (smhi.se) - Lam m.fl., Science (2023), om GraphCast
Vad tyckte du om artikeln?
